[发明专利]基于自注意力机制的设备剩余寿命预测系统

说明书

本发明属于现代工业故障预测与健康管理领域，具体涉及一种基于自注意力机制的设备剩余寿命预测系统，旨在为了解决现有RUL预估方法实时性效果不足的问题，本发明系统包括深度单元，基于前馈神经网络构建，配置为将输入数据消除时间维度后进行高维向量表示，得到第一向量；注意力单元，配置为将输入数据的时间序列映射到统一的向量空间，并将向量空间中对应的特征向量输入到自注意力模块，得到多个子空间的注意力向量并拼接为一个，得到第二向量；预测单元，配置为将第一向量、第二向量合并为第三向量，并通过前馈神经网络输出预测结果。本发明可以保持预测精度的基础上可以更好的并行化计算，提高了预测的实时性。

技术领域

本发明属于现代工业故障预测与健康管理领域，具体涉及一种基于自注意力机制的设备剩余寿命预测系统。

背景技术

寿命预测与健康管理(Prognostic Health Management,PHM)技术是现代工业发展过程中最重要的核心技术之一。工程实践表明，PHM技术可有效降低设备发生故障的概率，减少维修维护费用，特别是在安全性及可靠性要求较高的领域，能显著减少系统宕机次数并提升任务成功率。PHM的核心问题是针对海量状态监测数据，准确地针对系统健康状况进行评估并预测设备的Remaining Useful Life(RUL)，同时在此基础上确定设备的最优维护时机，进一步达到预测性维护的目的。而在这一问题中，根据设备的传感器监测数据来预测RUL是实现预测性维护的关键。通常来说，RUL预测任务是在机器发生故障之前，通过监控系统获得的时间序列来预测剩余的运行时间。基于物理模型的方法需要对设备机理进行分析，建立准确的物理模型，这对于复杂的设备系统来说很难做到。而基于数据驱动的方法使用分布式传感器采集设备的性能退化数据，通过充分挖掘监测数据所包含的潜在信息，不需要建立复杂的物理模型，就能做到对设备的剩余使用寿命进行准确预测。

深度学习是机器学习的一个分支，通过堆叠深层次的神经网络，实现深层抽象特征提取和复杂非线性关系表达。这种方法在诸多领域取得了远远超过传统机器学习方法的效果。

在RUL预估领域，目前的方法大多都是基于LSTM(Long Short-Term Memory，长短期记忆网络)的改进。由于LSTM不适合并行计算，无法满足实时性要求很高的场景，限制了RUL技术在实际工厂环境的使用。

发明内容

为了解决现有技术中的上述问题，即为了解决现有RUL预估方法实时性效果不足的问题，本发明提出了一种基于自注意力机制的设备剩余寿命预测系统，该系统包括深度单元、注意力单元、预测单元；

所述深度单元，基于前馈神经网络构建，配置为将输入数据消除时间维度后进行高维向量表示，得到第一向量；

所述注意力单元，配置为将输入数据的时间序列映射到统一的向量空间，并将所述向量空间中对应的特征向量输入到自注意力模块，得到多个子空间的注意力向量并拼接为一个，得到第二向量；

所述预测单元，配置为将所述第一向量、所述第二向量合并为第三向量，并通过前馈神经网络输出预测结果。

在一些具体实施方式中，所述第一向量，其获取方法为：

将所述输入数据的多变量时间序列拉平以消除其时间维度；

将拉平处理后的输入数据通过多层堆叠的神经网络获取高维向量表示。

在一些具体实施方式中，所述深度单元的输出部分设置有Res-FFNN。

在一些具体实施方式中，所述注意力单元包括嵌入模块，所述嵌入模块用于将输入数据的时间序列映射到统一的向量空间；

所述嵌入模块包括两个CNN结构；第一个CNN结构为滤波器尺寸为3的单层CNN结构；第二个CNN结构包括两层滤波器尺寸为1的CNN层。

在一些具体实施方式中，所述注意力单元还包括多头自注意力模块；